持续目标与可执行契约驱动Agent优化科学计算代码

编程Agent能够跨多个工具使用回合追求持续目标，但通用Agent能否开展严格的科学性能工程，证据仍有限。我们给出一个仓库规模案例，让现成Codex与Claude Code Agent优化粒子追踪中的固定半径最近邻（FRNN）搜索。从依赖PyTorch的CUDA实现出发，Agent遵循可执行目标，其中规定精确正确性测试、性能分析要求与验收标准，而不预先规定代码变换。在主要顺序轨迹中，它们自主移除PyTorch依赖，开展假设驱动的优化实验。最终独立C++/CUDA库精确复现目标参考结果。同步NumPy接口尽管包含主机数据传输，仍比原GPU驻留PyTorch接口快1.6倍。在不同GPU架构和软件栈上观察到类似加速。独立优化重跑采取了不同的假设顺序，在目标负载上达到更好性能。这些结果表明，持续目标编程Agent可以担任实验性性能工程师，而可执行科学契约是指导和验证优化的必要条件。